CIIIA - Reporte 1

Ajustes de inicio.

Click para ver el código

source("../Code/0. Settings.R")
source("../Code/0. Functions.R")

Click para ver el código

# Info
data_out <- "../Data/Output/" # Path
file <- "births_2011_2020" # file

# Load file 
load(paste0(data_out, file, ".RData"))

Notas del procesamiento de los datos

• La comuna de Coihaique tiene dos estaciones: coyhaique y balmaceda. Por lo tanto, serían 26 comunas, no 27, ya que están asociadas solo a un código de comuna. Los datos descriptivos sugieren que la comuna de balmaceda es más fría. ¿Promediamos ambas estaciones?

• Base de datos de análisis está filtrada por año de nacimiento 2011-2020 y código de 26 comunas. El número de observaciones es de: 394546.

Exploración de la tabla de datos

Exploración inicial

Tenemos 394546 observaciones y 16 variables. Todas estas variables son de tipo numérico que se categorizarán en función del análisis.

Click para ver el código

glimpse(births)

Rows: 394.546
Columns: 16
$ sexo        <dbl> 1, 1, 2, 2, 2, 1, 2, 2, 2, 1, 2, 2, 2, 1, 1, 2, 2, 1, 2, 1…
$ dia_nac     <dbl> 14, 19, 8, 5, 12, 3, 6, 12, 14, 7, 23, 19, 28, 17, 9, 9, 2…
$ mes_nac     <dbl> 7, 6, 12, 1, 3, 4, 11, 7, 9, 1, 2, 12, 2, 12, 9, 9, 6, 2, …
$ ano_nac     <dbl> 2018, 2018, 2018, 2018, 2018, 2018, 2018, 2018, 2018, 2018…
$ semanas     <dbl> 40, 38, 40, 38, 40, 39, 33, 39, 39, 35, 38, 38, 39, 40, 38…
$ peso        <dbl> 3290, 3660, 3390, 2740, 3080, 2885, 1210, 2890, 3330, 2730…
$ talla       <dbl> 50, 49, 51, 48, 47, 47, 40, 48, 49, 47, 46, 51, 50, 48, 47…
$ comuna      <dbl> 2201, 2101, 10101, 16101, 5101, 5101, 10101, 10101, 10101,…
$ region      <dbl> 2, 2, 10, 16, 5, 5, 10, 10, 10, 16, 5, 5, 12, 10, 12, 12, …
$ edad_madre  <dbl> 31, 35, 32, 27, 22, NA, 24, 20, 22, 28, 54, 39, 39, 39, 43…
$ nivel_madre <dbl> 2, 1, 1, 2, 1, 1, 2, 2, 2, 2, 1, 1, 1, 2, 2, 2, 1, 1, 2, 2…
$ edad_padre  <dbl> 34, 42, 35, 29, 28, 32, 24, 19, 31, 30, 42, 44, 29, NA, 52…
$ nivel_padre <dbl> 2, 2, 1, 1, 1, 2, 2, 2, 4, 2, 1, 1, 2, NA, 2, 4, 1, 1, 2, …
$ activ_madre <dbl> 1, 0, 0, 0, 0, 0, 0, 0, 0, 0, 1, 1, 1, 1, 0, 0, 1, 1, 1, 0…
$ tipo_parto  <dbl> 1, 1, 1, 1, 1, 1, 1, 1, 1, 2, 1, 1, 1, 1, 1, 1, 1, 1, 1, 1…
$ activ_padre <dbl> NA, NA, NA, NA, NA, NA, NA, NA, 2, NA, 1, 1, 1, NA, 1, 1, …

Se recodifican valores que son considerados como missing para variables de interés:

births <- births %>% 
  mutate(semanas=if_else(semanas==99, NA_real_, semanas),
         peso=if_else(peso==9999, NA_real_, peso),
         sexo=if_else(sexo==9, NA_real_, sexo),
         talla=if_else(talla==99, NA_real_, talla),
         edad_madre=if_else(edad_madre==99, NA_real_, edad_madre),
         nivel_madre=if_else(nivel_madre==9, NA_real_, nivel_madre),
         activ_madre=if_else(activ_madre %in% c(3,9), NA_real_, activ_madre),
         edad_padre=if_else(edad_padre==99, NA_real_, edad_padre),
         nivel_padre=if_else(nivel_padre==9, NA_real_, nivel_padre),
         activ_padre=if_else(activ_padre %in% c(3,9), NA_real_, activ_padre),
         tipo_parto=if_else(tipo_parto==9, NA_real_, tipo_parto)
         ) 
births <- births[,c(1:9, 15, 10, 11, 14, 12, 13, 16)]

Valores extremos

Se evaluarán los casos extremos para dos variables de interés: semanas de gestación y peso al nacer.

Click para ver el código

g1 <- ggplot(births, aes(x=semanas)) + 
  geom_histogram(alpha=0.5, bins=50, fill = "deepskyblue3", color="deepskyblue3") +
  scale_x_continuous(breaks=seq(0, 50, by=10)) + 
  labs(x="Semanas de gestación", y="Frecuencia", tag="A)") +
  theme_light() +
  theme(panel.background = element_rect(fill = "white"), 
        panel.grid = element_blank(),
        legend.position = "top",
        legend.background = element_rect(fill = alpha("white", 0.0), color = alpha("white", 0.5)),
        strip.background = element_rect(fill="white", color="white"), 
        strip.text.x = element_text(size=10, hjust = 0, color="black"),
        legend.key.width = unit(1.5,"cm"),
        plot.tag=element_text(size=16, face="bold"),
        axis.line.x = element_blank())

g2 <- ggplot(births, aes(y=semanas)) + 
  stat_boxplot(geom = "errorbar", width = 0.15, color = 1) +  
  geom_boxplot(fill = "gray", alpha = 0.5, color = "black", width=0.7,
               outlier.colour = 2, outlier.fill = "white", outlier.size = .75) +
  scale_y_continuous(breaks=seq(0, 100, by=5)) +
  labs(x="Semanas de gestación", y=NULL, tag="B)", x="") +
  theme_light() +
  theme(panel.background = element_rect(fill = "white"), 
        panel.grid = element_blank(),
        legend.position = "top",
        legend.background = element_rect(fill = alpha("white", 0.0), color = alpha("white", 0.5)),
        strip.background = element_rect(fill="white", color="white"), 
        strip.text.x = element_text(size=10, hjust = 0, color="black"),
        legend.key.width = unit(1.5,"cm"),
        plot.tag=element_text(size=16, face="bold"),
        axis.line.x = element_blank())

ggpubr::ggarrange(g1, g2, ncol = 2,  widths = c(2, 1))

Gráficos descriptivos para semanas de gestación

Click para ver el código

g3 <- ggplot(births, aes(x=peso)) + 
  geom_histogram(alpha=0.5, bins=150, fill = "deepskyblue3", color="deepskyblue3") +
  scale_x_continuous(breaks=seq(0, 10000, by=1000)) + 
  labs(x="Peso (gr.)", y="Frecuencia", tag="A)") +
  theme_light() +
  theme(panel.background = element_rect(fill = "white"), 
        panel.grid = element_blank(),
        legend.position = "top",
        legend.background = element_rect(fill = alpha("white", 0.0), color = alpha("white", 0.5)),
        strip.background = element_rect(fill="white", color="white"), 
        strip.text.x = element_text(size=10, hjust = 0, color="black"),
        legend.key.width = unit(1.5,"cm"),
        plot.tag=element_text(size=16, face="bold"),
        axis.line.x = element_blank())

g4 <- ggplot(births, aes(y=peso)) + 
  stat_boxplot(geom = "errorbar", width = 0.15, color = 1) +  
  geom_boxplot(fill = "gray", alpha = 0.5, color = "black", width=0.7,
               outlier.colour = 2, outlier.fill = "white", outlier.size = .75) +
  scale_y_continuous(breaks=seq(0, 10000, by=1000)) + 
  labs(y="Peso (gr.)", y=NULL, tag="B)", x="") +
  theme_light() +
  theme(panel.background = element_rect(fill = "white"), 
        panel.grid = element_blank(),
        legend.position = "top",
        legend.background = element_rect(fill = alpha("white", 0.0), color = alpha("white", 0.5)),
        strip.background = element_rect(fill="white", color="white"), 
        strip.text.x = element_text(size=10, hjust = 0, color="black"),
        legend.key.width = unit(1.5,"cm"),
        plot.tag=element_text(size=16, face="bold"),
        axis.line.x = element_blank())

ggpubr::ggarrange(g3, g4, ncol = 2,  widths = c(2, 1))

Gráficos descriptivos para peso al nacer

Click para ver el código

vars <- c("semanas", "peso")
table <- tibble()
for (i in vars){
  # Asegúrate de que i es convertido a simbolo con as.symbol o rlang::sym
  des_res <- descriptives(x = !!rlang::sym(i), data = births)
  table <- dplyr::bind_rows(table, des_res)
}

table$Variable <- c("Gestación (semanas)", "Peso (gr.)")

flextable::flextable(table)

Estadísticos descriptivos para las variables de interés

Variable	Media_Prop	SD	Min	P5	P10	P25	P50	P75	P90	P95	Max	N	Missing	Pct_miss
Gestación (semanas)	38.357	1.868	16	36	37	38	39	39	40	40	44	394,546	648	0.16
Peso (gr.)	3,294.457	549.190	151	2,380	2,675	3,020	3,330	3,635	3,925	4,100	5,740	394,546	658	0.17

Datos faltantes

Exploración de datos faltantes para la información del padre y madre:

Click para ver el código

covariables <- births[, c(11:16)]

g5 <- vis_miss(births, warn_large_data = FALSE) 
g6 <- gg_miss_upset(births, order.by = "freq", nintersects = NA, empty.intersections=TRUE)
                    
g5

Exploración de missing con combinaciones de covariables

Click para ver el código

g6

Exploración de missing con combinaciones de covariables

Click para ver el código

missing_data <- births %>%
  select(4:7, 10:16) %>% 
  pivot_longer(cols = -ano_nac, names_to = "variable", values_to = "valor") %>%
  group_by(ano_nac, variable) %>%
  summarise(porcentaje_missing = mean(is.na(valor)) * 100) %>%
  ungroup()

ggplot(missing_data, aes(x = factor(ano_nac), y = porcentaje_missing, group = variable)) +
  geom_line(aes(color = variable)) + 
  geom_point(aes(color = variable)) + 
  facet_wrap(~ variable, scales = "free_y", ncol=5) + 
  theme_light() +
  labs(x = "Año", y = "% de Datos Faltantes") +
  theme(axis.text.x = element_text(angle = 45, hjust = 1), 
        legend.title = element_blank(),
        legend.position = "none", 
        strip.background = element_blank(),
        strip.text = element_text(color="black")) 

% de Datos faltantes en variables por año

Click para ver el código

comunas <- chilemapas::codigos_territoriales %>% 
  mutate(codigo_comuna=as.numeric(codigo_comuna),
         codigo_provincia=as.numeric(codigo_provincia),
         codigo_region=as.numeric(codigo_region)
         )

births <- births %>% 
  left_join(comunas, by=c("comuna"="codigo_comuna"))

missing_data <- births %>%
  select(5:7, 10:16, 17) %>% 
  pivot_longer(cols = -nombre_comuna, names_to = "variable", values_to = "valor") %>%
  group_by(nombre_comuna, variable) %>%
  summarise(porcentaje_missing = mean(is.na(valor)) * 100) %>%
  ungroup()

ggplot(missing_data, aes(x = factor(nombre_comuna), y = porcentaje_missing, fill = variable)) +
  geom_col() +
  coord_flip() +
  facet_wrap(~ variable, scales = "free_y", ncol=5) + 
  theme_light() +
  labs(x = "Comuna", y = "% de Datos Faltantes") +
  theme(axis.text.x = element_text(angle = 45, hjust = 1), 
        legend.title = element_blank(),
        legend.position = "none", 
        strip.background = element_blank(),
        strip.text = element_text(color="black")) 

% de Datos faltantes en variables por comuna

Estadísticos Descriptivos

Para estos análisis construimos una variable nueva para identificar los nacimientos con bajo peso (<2500 gr.). Además, construimos una variable que identifican las macrozonas.

Click para ver el código

births <- births %>% 
  mutate(
    low_weight=case_when(
      peso<2500 ~ 1,
      peso>=2500 ~ 0,
      TRUE ~ NA_real_
      ),
    zona = case_when(
           nombre_region %in% c("Arica y Parinacota", "Tarapacá", "Antofagasta", "Atacama", "Coquimbo") ~ "Norte",
           nombre_region %in% c("Valparaiso", "Metropolitana de Santiago", "Libertador General Bernardo O'Higgins", "Maule", "Nuble", "Biobio") ~ "Centro",
           nombre_region %in% c("La Araucanía", "Los Ríos", "Los Lagos", "Aysen del General Carlos Ibanez del Campo", "Magallanes y de la Antartica Chilena") ~ "Sur",
           TRUE ~ NA_character_
         ) 
         #zona=factor(zona, levels=c("Norte", "Centro", "Sur", "Austral"))
    ) 

Descripción de variables

Click para ver el código

# Generamos dummies 
births <- cbind(births, make_dummies(births$sexo, prefix = ""))
births <- cbind(births, make_dummies(births$tipo_parto, prefix = ""))
births <- cbind(births, make_dummies(births$zona, prefix = ""))
births <- cbind(births, make_dummies(births$nombre_region, prefix = ""))
births <- cbind(births, make_dummies(births$nivel_madre, prefix = ""))
births <- cbind(births, make_dummies(births$activ_madre, prefix = ""))
births <- cbind(births, make_dummies(births$nivel_padre, prefix = ""))
births <- cbind(births, make_dummies(births$activ_padre, prefix = ""))

# Data
births_full <- births %>% 
  select("semanas", "peso", "low_weight", "talla",
         "sexo1", "sexo2", "tipo_parto1", "tipo_parto2", "tipo_parto3", "tipo_parto4",
         "edad_madre", 
         "nivel_madre1",  "nivel_madre2", "nivel_madre3", "nivel_madre4", "nivel_madre5",
         "activ_madre0", "activ_madre1",  "activ_madre2", # "activ_madre3",
         "edad_padre",  
         "nivel_padre1",  "nivel_padre2", "nivel_padre3", "nivel_padre4", "nivel_padre5",
         "activ_padre0", "activ_padre1",  "activ_padre2", 
         "nombre_regionArica y Parinacota", "nombre_regionAntofagasta", 
         "nombre_regionValparaiso", "nombre_regionMetropolitana de Santiago", "nombre_regionNuble", 
         "nombre_regionBiobio", "nombre_regionMaule", "nombre_regionLos Lagos",
         "nombre_regionAysen del General Carlos Ibanez del Campo", "nombre_regionMagallanes y de la Antartica Chilena",     
         "zonaNorte", "zonaCentro", "zonaSur"
         )

vars_des <- colnames(births_full)
table <- tibble()
for (i in vars_des){
  # Asegúrate de que i es convertido a simbolo con as.symbol o rlang::sym
  des_res <- descriptives(x = !!rlang::sym(i), data = births_full)
  table <- dplyr::bind_rows(table, des_res)
}

table$Variable <- c("Gestación (semanas)", "Peso (gr.)", "Peso <2500 gr.", "Talla (cm.)",
                    "Hombre", "Mujer", 
                    "Parto Simple", "Parto Doble", "Parto Triple", "Otro", 
                    "Edad de la madre", 
                    "Educ. Madre Superior", "Medio", "Secundaria", "Básico o Primario", "Sin educación",
                    "Act. Madre: Inactivo", "Activo", "Cesante o desocupado",
                    "Edad del padre", 
                    "Educ. Padre Superior", "Medio", "Secundaria", "Básico o Primario", "Sin educación",
                    "Act. Padre: Inactivo", "Activo", "Cesante o desocupado",
                    "Arica y Parinacota", "Antofagasta", 
                    "Valparaiso", "Metropolitana de Santiago", "Nuble", 
                    "Biobio", "Maule", "Los Lagos",
                    "Aysen del General Carlos Ibanez del Campo", "Magallanes y de la Antartica Chilena",     
                    "Norte", "Centro", "Sur"
                    )

table <- table %>% 
  mutate(across(c(4:12), ~na_if(.x, 0))) %>% 
  mutate(across(c(4:12), ~na_if(.x, 1))) %>% 
  select(-"N")

flextable::flextable(table)

Estadísticos descriptivos para las variables de interés

Variable	Media_Prop	SD	Min	P5	P10	P25	P50	P75	P90	P95	Max	Missing	Pct_miss
Gestación (semanas)	38.357	1.868	16	36	37	38	39	39	40	40	44	648	0.16
Peso (gr.)	3,294.457	549.190	151	2,380	2,675	3,020	3,330	3,635	3,925	4,100	5,740	658	0.17
Peso <2500 gr.	0.065	0.246										658	0.17
Talla (cm.)	49.011	2.551	17	45	47	48	49	50	52	52	59	653	0.17
Hombre	0.510	0.500										32	0.01
Mujer	0.490	0.500										32	0.01
Parto Simple	0.980	0.142										68,550	17.37
Parto Doble	0.020	0.140										68,550	17.37
Parto Triple	0.000	0.019										68,550	17.37
Otro	0.000	0.006										68,550	17.37
Edad de la madre	28.004	6.495	11	18	19	23	28	33	37	39	59	191	0.05
Educ. Madre Superior	0.395	0.489										830	0.21
Medio	0.521	0.500										830	0.21
Secundaria	0.000	0.017										830	0.21
Básico o Primario	0.083	0.275										830	0.21
Sin educación	0.001	0.026										830	0.21
Act. Madre: Inactivo	0.499	0.500										7,723	1.96
Activo	0.500	0.500										7,723	1.96
Cesante o desocupado	0.001	0.038										7,723	1.96
Edad del padre	30.885	7.569	14	20	21	25	30	36	41	44	84	37,575	9.52
Educ. Padre Superior	0.399	0.490										38,048	9.64
Medio	0.518	0.500										38,048	9.64
Secundaria	0.001	0.028										38,048	9.64
Básico o Primario	0.082	0.274										38,048	9.64
Sin educación	0.001	0.023										38,048	9.64
Act. Padre: Inactivo	0.151	0.358										40,850	10.35
Activo	0.838	0.368										40,850	10.35
Cesante o desocupado	0.011	0.105										40,850	10.35
Arica y Parinacota	0.082	0.275										0	0.00
Antofagasta	0.207	0.405										0	0.00
Valparaiso	0.096	0.295										0	0.00
Metropolitana de Santiago	0.144	0.351										0	0.00
Nuble	0.059	0.236										0	0.00
Biobio	0.134	0.341										0	0.00
Maule	0.052	0.222										0	0.00
Los Lagos	0.144	0.351										0	0.00
Aysen del General Carlos Ibanez del Campo	0.032	0.175										0	0.00
Magallanes y de la Antartica Chilena	0.048	0.215										0	0.00
Norte	0.290	0.454										0	0.00
Centro	0.486	0.500										0	0.00
Sur	0.224	0.417										0	0.00

Tendencia espacio-temporales

Click para ver el código

births <- births %>% 
    mutate(date_nac = make_date(year = ano_nac, month = mes_nac, day = dia_nac))

nac <- births %>% 
  group_by(ano_nac, mes_nac, dia_nac, date_nac) %>% 
  summarise(n=n(),
            peso=mean(peso, na.rm = TRUE),
            low_weight=round(mean(low_weight , na.rm = TRUE),3)
            )

ggplot(nac, aes(x = date_nac, y = n)) +
  geom_line() + 
  scale_x_date(date_breaks = "1 month", date_labels = "%b") +
  facet_wrap(~ ano_nac, scales = "free_x", ncol=2)  +
  labs(x = "Fecha", y = "Cantidad de nacimientos") +
  theme_light() +
  theme(axis.text.x = element_text(angle = 45, hjust = 1), 
        legend.title = element_blank(),
        legend.position = "none", 
        strip.background = element_blank(),
        strip.text = element_text(color="black")) 

Cantidad de nacimientos entre el 2011 al 2020

Click para ver el código

ggplot(nac, aes(x = date_nac, y = peso)) +
  geom_line() + 
  scale_x_date(date_breaks = "1 month", date_labels = "%b") +
  facet_wrap(~ ano_nac, scales = "free_x", ncol=2)  +
  labs(x = "Fecha", y = "Peso (gramos)") +
  theme_light() +
  theme(axis.text.x = element_text(angle = 45, hjust = 1), 
        legend.title = element_blank(),
        legend.position = "none", 
        strip.background = element_blank(),
        strip.text = element_text(color="black")) 

Promedio de peso en gramos entre el 2011 al 2020

Click para ver el código

ggplot(nac, aes(x = date_nac, y = low_weight, color=factor(ano_nac))) +
  geom_col() + 
  scale_y_continuous(labels = scales::percent_format()) +
  scale_x_date(date_breaks = "1 month", date_labels = "%b") +
  #coord_flip() +
  facet_wrap(~ ano_nac, scales = "free_x", ncol=2)  +
  labs(x = "Fecha", y = "% de nacimientos con bajo peso") +
  theme_light() +
  theme(axis.text.x = element_text(angle = 0, hjust = 1), 
        legend.title = element_blank(),
        legend.position = "none", 
        strip.background = element_blank(),
        strip.text = element_text(color="black")) 

Porcentaje de nacimientos con bajo peso

Click para ver el código

nac_full <- births %>% 
  summarise(Nacimientos=n(),
            Peso=mean(peso, na.rm = TRUE),
            Bajo_peso=round(mean(low_weight , na.rm = TRUE),3)
            ) %>% 
  mutate(Muestra="Full Sample") %>% 
  relocate(Muestra)

flextable::flextable(nac_full)

Estadísticos de nacimiento

Muestra	Nacimientos	Peso	Bajo_peso
Full Sample	394,546	3,294.457	0.065

Click para ver el código

nac_zona <- births %>% 
  group_by(zona) %>% 
  summarise(Nacimientos=n(),
            Peso=mean(peso, na.rm = TRUE),
            Bajo_peso=round(mean(low_weight , na.rm = TRUE),3)
            )%>% 
  mutate(Muestra="Macrozona") %>% 
  relocate(Muestra) %>% 
  rename(Zona=zona)

nac_reg <- births %>% 
  group_by(nombre_region) %>% 
  summarise(Nacimientos=n(),
            Peso=mean(peso, na.rm = TRUE),
            Bajo_peso=round(mean(low_weight , na.rm = TRUE),3)
            ) %>% 
  mutate(Muestra="Región")  %>% 
  relocate(Muestra) %>% 
  rename(Zona=nombre_region)

nac_zona_reg <- nac_zona %>% bind_rows(nac_reg)
flextable::flextable(nac_zona_reg)

Estadísticos de nacimiento por zona y región

Muestra	Zona	Nacimientos	Peso	Bajo_peso
Macrozona	Centro	191,782	3,294.815	0.066
Macrozona	Norte	114,281	3,268.147	0.065
Macrozona	Sur	88,483	3,327.654	0.062
Región	Antofagasta	81,828	3,226.634	0.071
Región	Arica y Parinacota	32,453	3,372.957	0.050
Región	Aysen del General Carlos Ibanez del Campo	12,433	3,345.040	0.060
Región	Biobio	53,031	3,290.294	0.063
Región	Los Lagos	56,922	3,328.514	0.062
Región	Magallanes y de la Antartica Chilena	19,128	3,313.798	0.063
Región	Maule	20,498	3,258.138	0.068
Región	Metropolitana de Santiago	56,893	3,301.640	0.066
Región	Nuble	23,380	3,309.228	0.063
Región	Valparaiso	37,980	3,301.863	0.071

Click para ver el código

nac_date <- births %>% 
  group_by(ano_nac, mes_nac) %>% 
  summarise(Nacimientos=n(),
            Peso=mean(peso, na.rm = TRUE),
            Bajo_peso=round(mean(low_weight , na.rm = TRUE),3)
            ) %>% 
  rename(Agno=ano_nac) %>% 
  rename(Mes=mes_nac) %>% 
  mutate(Agno=factor(Agno))

flextable::flextable(nac_date)

Estadísticos de nacimiento en el tiempo

Agno	Mes	Nacimientos	Peso	Bajo_peso
2011	1	3,878	3,335.667	0.050
2011	2	3,436	3,317.982	0.065
2011	3	4,014	3,326.390	0.057
2011	4	3,538	3,310.935	0.058
2011	5	3,656	3,304.859	0.061
2011	6	3,446	3,311.191	0.067
2011	7	3,468	3,314.592	0.055
2011	8	3,570	3,304.252	0.073
2011	9	3,736	3,325.636	0.053
2011	10	3,561	3,311.560	0.062
2011	11	3,402	3,316.736	0.060
2011	12	3,511	3,300.352	0.063
2012	1	3,681	3,307.591	0.057
2012	2	3,396	3,304.378	0.065
2012	3	3,696	3,302.532	0.062
2012	4	3,607	3,297.513	0.063
2012	5	3,637	3,307.468	0.055
2012	6	3,509	3,296.902	0.063
2012	7	3,595	3,303.769	0.061
2012	8	3,657	3,312.963	0.066
2012	9	3,507	3,303.137	0.068
2012	10	3,631	3,318.197	0.058
2012	11	3,442	3,298.229	0.069
2012	12	3,344	3,307.643	0.065
2013	1	3,691	3,303.710	0.063
2013	2	3,252	3,313.535	0.062
2013	3	3,549	3,293.758	0.068
2013	4	3,509	3,308.330	0.053
2013	5	3,560	3,299.586	0.061
2013	6	3,461	3,310.532	0.066
2013	7	3,525	3,296.095	0.061
2013	8	3,471	3,290.056	0.066
2013	9	3,580	3,301.039	0.061
2013	10	3,547	3,294.147	0.063
2013	11	3,377	3,299.130	0.063
2013	12	3,484	3,303.892	0.061
2014	1	3,826	3,301.906	0.064
2014	2	3,210	3,340.594	0.052
2014	3	3,697	3,300.302	0.064
2014	4	3,611	3,304.498	0.062
2014	5	3,586	3,305.751	0.065
2014	6	3,646	3,291.106	0.061
2014	7	3,684	3,293.995	0.066
2014	8	3,496	3,314.393	0.063
2014	9	3,666	3,314.448	0.057
2014	10	3,734	3,309.616	0.064
2014	11	3,426	3,292.717	0.068
2014	12	3,627	3,295.435	0.059
2015	1	3,851	3,305.704	0.066
2015	2	3,403	3,301.912	0.059
2015	3	3,729	3,290.289	0.060
2015	4	3,563	3,297.320	0.059
2015	5	3,443	3,266.271	0.064
2015	6	3,490	3,281.349	0.064
2015	7	3,485	3,293.414	0.066
2015	8	3,435	3,285.833	0.074
2015	9	3,650	3,288.337	0.066
2015	10	3,350	3,282.810	0.075
2015	11	3,156	3,297.625	0.064
2015	12	3,425	3,264.310	0.073
2016	1	3,516	3,272.472	0.077
2016	2	3,279	3,281.303	0.063
2016	3	3,643	3,291.265	0.064
2016	4	3,295	3,284.641	0.063
2016	5	3,318	3,293.017	0.067
2016	6	3,282	3,270.509	0.071
2016	7	3,206	3,277.219	0.067
2016	8	3,243	3,287.046	0.071
2016	9	3,410	3,297.618	0.060
2016	10	3,087	3,295.789	0.057
2016	11	3,062	3,302.436	0.059
2016	12	3,188	3,286.123	0.059
2017	1	3,183	3,277.633	0.071
2017	2	2,903	3,267.309	0.073
2017	3	3,316	3,273.892	0.067
2017	4	3,022	3,294.342	0.066
2017	5	3,099	3,294.879	0.065
2017	6	3,152	3,301.257	0.063
2017	7	3,105	3,275.950	0.070
2017	8	3,138	3,278.222	0.068
2017	9	3,078	3,290.095	0.069
2017	10	3,004	3,294.465	0.067
2017	11	2,943	3,288.965	0.064
2017	12	3,037	3,278.918	0.068
2018	1	3,141	3,279.956	0.070
2018	2	2,896	3,285.765	0.069
2018	3	3,163	3,279.670	0.068
2018	4	2,927	3,292.971	0.057
2018	5	3,204	3,293.212	0.067
2018	6	3,048	3,281.207	0.074
2018	7	3,046	3,278.960	0.072
2018	8	3,128	3,264.423	0.075
2018	9	3,165	3,278.846	0.066
2018	10	3,153	3,288.751	0.063
2018	11	2,986	3,273.588	0.079
2018	12	3,093	3,259.123	0.080
2019	1	3,223	3,286.213	0.069
2019	2	2,855	3,287.216	0.065
2019	3	3,065	3,293.382	0.067
2019	4	2,923	3,285.807	0.071
2019	5	3,019	3,294.099	0.064
2019	6	2,913	3,288.920	0.065
2019	7	2,964	3,262.312	0.074
2019	8	2,863	3,285.945	0.066
2019	9	2,944	3,279.752	0.068
2019	10	2,920	3,302.006	0.066
2019	11	2,714	3,272.672	0.068
2019	12	2,855	3,273.638	0.069
2020	1	3,011	3,286.824	0.064
2020	2	2,617	3,289.305	0.062
2020	3	2,884	3,277.622	0.069
2020	4	2,711	3,287.094	0.067
2020	5	2,724	3,290.064	0.066
2020	6	2,775	3,283.157	0.063
2020	7	2,699	3,278.303	0.073
2020	8	2,654	3,277.549	0.071
2020	9	2,750	3,295.568	0.070
2020	10	2,717	3,291.117	0.061
2020	11	2,606	3,298.952	0.064
2020	12	2,568	3,288.356	0.071